本文提出了一种基于非参数发散度估计的新型统计变点检测算法，该方法使用相对Pearson发散度作为发散度度量，并通过直接密度比估计方法精确而高效地估计，实验结果证明该方法在人类活动感知、语音和Twitter消息等人工和真实数据集上是有用的。

Mar, 2012

本篇论文提出了基于核函数非参数统计方法的两种改变点检测统计量，通过使用变换测度技术来表征这些统计量的尾概率，以此获得控制误报率所需的显著性水平和平均运行长度的检测阈值，从而提高了检测效率和准确性。

Jul, 2015

本文提出了一种基于 Exponential Weighted Moving Average，使用随机特征进行 Maximum Mean Discrepancy 距离度量、实现高效率非参数在线变点检测的方法。

May, 2018

本文介绍了一个用于评估现有的变点检测算法在现实世界数据上表现的数据集，并提出了应用于多个基础真实数据的基准研究，旨在成为新变点检测算法的试验场。

Mar, 2020

本文介绍无监督变点检测技术，该方法适用于处理各种数据源，无需大量标注数据，并针对多项评估标准比较不同算法。

May, 2023

提出了一种在线变点检测方法（GOCPD），通过最大化数据来自两个独立模型（时间上的连接）的概率来找到变点，从而克服了标准在线变点检测方法对离群值敏感的缺点。通过展示对合成数据的实用性以及在现实世界的单变点和多变量设置中验证我们的发现，证明了GOCPD的有效性。

Aug, 2023

提出了一种在线方法，用于利用具有意义的表示和模糊推理系统检测和查询犯罪相关时间序列中的变点，并在犯罪数据集和金融数据集上进行了实证评估和比较分析。结果表明该方法能够以极低的计算成本准确检测变点，并且使任何领域的时间序列中特定变点的检测更加直观和易于理解。

Dec, 2023

基于状态空间模型和自适应采样策略的自适应上置信域方案用于部分可观测多传感器顺序变点检测，并通过广义似然比检验开发变点检测方案，理论分析了其侦测能力与自适应采样策略的关联，并通过合成数据和真实数据的数值研究证明了方法的有效性。

Mar, 2024

在多元时间序列中，我们提出了一个两阶段的非参数算法，通过约束式探索方法首先学习因果结构的一部分，然后使用条件相对皮尔逊散度估计来识别变点。在合成和现实数据集上的实验验证了我们方法的正确性和实用性。

Jul, 2024

本研究解决了在线变化点检测中分布不确定性的问题，提出了一种基于高效核的扫描B统计量算法，并与两种常用参数统计量进行了比较。实验结果表明，扫描B统计量在检测变化方面表现更为优越，尤其在复杂场景下，能够及时识别变化，从而在实际应用中具有重要价值。

Aug, 2024